Cops-Ref 全称 Compositional Referring Expression Comprehension，是关于在目标物指代理解方面的视觉推理图像数据集。该数据集包含 75,299 张真实图像、 148,712 条文本描述和 1,307,885 个候选区域。

该数据集有两个主要特点，一是新的文本生成引擎，它能结合推理逻辑和视觉特征，进而生成不同复杂程度的文本描述；二是新的测试设置，在测试过程中对有语义相似的视觉图像进行干扰。